一种基于分级输入训练神经网络的非线性主元分析

基于输入训练神经网络的非线性主元分析(PCA)能够有效地提取过程变量的非线性主元,但是存在主元的个数不能通过网络训练确定,且各个主元重要程度在神经网络中无法区分等缺点,本文提出一种分级输入自调整神经网络,并进一步提出基于此网络的非线性PCA,通过多级输入自调整神经网络,将主元按顺序找出,且根据主元对过程数据的预测误差定量地确定出主元的个数,克服了上述缺点.*

一种部分输入自调整神经网络及其在非线性数据重构中的应用

实际工业过程大部分是非线性过程,其遗失数据的重构问题不能采用现有的线性数据重构方法来解决.本文提出一种部分输入自调整神经网络,以待求的重构变量作为要调整的网络输入.与传统网络不同的是,该网络的权值和阈值先由另外的神经网络训练求得,通过神经网络后向传递算法只需对网络的部分输入值进行训练,这样将非线性数据重构问题转化为部分输入神经网络的训练问题.仿真结果验证本文方法的有效性.

基于DE-BP模型隧道围岩的动态分级

针对隧道施工期间的围岩分级问题,根据地质超前预报获得围岩分级指标,提出了基于DE-BP模型的隧道围岩分级方法,并结合VTK技术、三维地质建模方法及数据库技术编写隧道围岩分级软件,将此方法应用于板石隧道的围岩分级中,进行围岩等级可视化显示与施工方案的调整.结果表明:DE-BP模型的均方差明显小于BP神经网络,分级精度显著提高;DE-BP模型围岩分级结果与勘查设计等级基本相同,验证了该模型的合理性,更加适用于隧道围岩动态分级.

风电场风速和发电功率预测研究

风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测,可以有效地减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。基于时间序列法和神经网络法,该文对风速预测进行了研究,提出了预测风速的时序神经网络法。该方法用时间序列法建模,得到风速特性的基本参数,并用这些参数选择神经网络的输入变量;为了提高预测精度,提出了滚动式权值调整手段。该方法有效地提高了风速预测的精度。

基于磁悬浮作动器的自适应有源振动控制研究

针对周期扰动提出一种基于磁悬浮作动器的非线性前馈自适应有源振动控制算法。算法中将磁悬浮作动器视为具有时变非线性的单输入输出系统,并使用径向基函数神经网络进行控制,分别采用聚类算法和随机梯度算法对其隐层中心点和输出层权值进行自适应调整。该算法摆脱了传统磁悬浮控制对模型的依赖,在正常工作条件下不需对作动器建模。仿真和实验结果表明:在单自由度主动隔振系统中,非线性自适应算法可以显著降低周期振动的能量,同时能对磁悬浮作动器的时变非线性进行有效的补偿。